Másfél év alatt megoldotta egy mesterséges intelligencia a biológia egyik legnagyobb kihívását

Bő másfél év telt el azóta, hogy a Google anyacége, az Alphabet alá tartozó DeepMind bemutatta az AlphaFold nevű mesterséges intelligenciájának (MI) felturbózott verzióját, amelyet az első pillanattól fogva hatalmas érdeklődés övezett, mert képes volt arra, hogy rövid idő alatt, egy atomnyi hibahatárral megjósolja a fehérjék szerkezetét. Az AlphaFoldról már akkor is azt tartották, hogy új korszakot nyithat a tudományos kutatásban, az MI pedig nem is okozott csalódást: előbb fél év alatt feltérképezte az emberi testben használt fehérjék 98,5 százalékát, mostanra pedig majdnem mindegyik ismert fehérje szerkezetét megjósolta – írja a New Scientist.

Ahogy két éve is írtuk, ez nagyon komoly eredmény, mert bár a fehérjék szerkezetének megállapítására léteznek megbízható módszerek, ezek általában rendkívül időigényesek, sok esetben pedig nem is vezetnek eredményre. Egy fehérje tulajdonképpen nem más, mint egy aminosavakból álló, összevissza tekergő szalag, melynek funkcióját az határozza meg, hogy milyen a struktúrája, vagyis hogy pontosan hogyan tekereg. Ha megbízhatóan képesek vagyunk megállapítani a struktúrájukat, megérthetjük a működésüket, ez azonban rendkívül nehéz feladat, hiszen a lehetséges struktúrák számában a határ a csillagos ég. Még akkor is, ha tudjuk, hogy az aminosavak milyen sorrendben kapcsolódnak egymáshoz.

A kutatók azóta küzdenek ezzel a problémával, hogy bebizonyították a sorrend és a struktúra közti kapcsolatot, ezen pedig az is csak mérsékelten segített, hogy 1994 óta létezik egy verseny, ahol a fehérjék szerkezetét megállapító szoftverek feszülhetnek egymásnak. Az erre fejlesztett szoftverek jelentős részét használják is a tudományban, olyan áttörést azonban korábban sosem sikerült elérni, mint amit az AlphaFold produkált 2020-ban. Az MI akkor többtucatnyi fehérje struktúráját határozta meg 0,16 nanométeres, vagyis körülbelül egyatomnyi hibahatárral, ami nagyjából az a szint, amivel a laboratóriumi módszerek is operálnak. Az MI mostanra több mint 200 millió fehérje szerkezetét állapította meg,

a DeepMind pedig most bejelentette, hogy nyilvánosan elérhetővé teszi ezt az adatbázist, ami azt jelenti, hogy egy fehérje szerkezetének megállapítása mostantól nem sokkal bonyolultabb, mint egy sima Google-keresés.

Az AlphaFoldot már számos területen használták is, Matt Higgins, az Oxfordi Egyetem kutatója például elmondta, hogy az MI megjósolta egy, a malária parazitájának életciklusát potenciálisan megakasztó fehérje szerkezetét. Korábban ezt a kísérleteik ellenére sem tudták kellően pontosan meghatározni, de a saját adataikkal összevetve egyértelmű volt, hogy az AlphaFold sikerrel járt ebben, így a kutatók már létre is hoztak olyan fehérjéket, amelyek reményeik szerint hatásosak lehetnek malária elleni védőoltásokban. Az MI-t emellett segítségül hívták már műanyaghulladékot lebontó enzimek megalkotásához, és az olyan fehérjékről szóló kutatáshoz is, amelyek miatt a baktériumok rezisztenssé válnak az antibiotikumokra.

Keith Willison, az Imperial College London professzora ugyanakkor arra is felhívta a figyelmet, hogy bár az AlphaFold tagadhatatlanul forradalmasította a biológiai kutatást, nem oldotta meg egy csapásra az összes, fehérjék tekeredésével kapcsolatos problémát. Mint mondta, egyértelműen nagy előrelépés az, hogy az évekig tartó, költséges krisztallográfiás módszerek helyett simán csak rá lehet keresni a fehérjestruktúrákra egy adatbázisban, de fontos leszögezni, hogy az MI korábbi, kísérletezéssel megállapított eredményekből jósolja meg a fehérje végső szerkezetét, nem pedig lemodellezi a tekeredés folyamatát.

Ebben persze nincs semmi meglepő, jelenleg a legfejlettebb mesterséges intelligenciák is már meglévő adatokból jósolnak, és ahogy látható, az AlphaFold komoly eredményeket tud elérni. Egy tetszőleges sorrendben kapcsolódó aminosavsorról viszont nem tudja megállapítani, hogy pontosan hogy tekeredik, a fehérjék közötti összetett interakciókat, illetve a fehérjék változásait sem tudja értelmezni, és a rendezetlen fehérjéknél is elvérzik. A DeepMind tudományos csapatának vezetője, Pushmeet Kohli pont emiatt nem is akar megállni a fehérjék statikus szerkezetének megismerésénél, mint mondta, a jövőben szeretnék megérteni a fehérjék viselkedését és az egymásra gyakorolt hatásukat is.

Frissítés: Az AlphaFold adatbázisának projektvezetője, Váradi Mihály időközben jelezte nekünk, hogy az MI valójában a jelenlegi egyik legjobb predikciós szoftver a fehérjék rendezetlenségére. Igaz, a rendezetlen részekről csak annyit mond a modell, hogy „ez a rész mozog”, de mint írta, már ez is hasznos az ezzel foglalkozó kutatóknak.